今回は、R言語を利用してウェブページからデータとなる情報を抽出する（いわゆるスクレイピング）方法をまとめます。
XMLパッケージ
ウエブページを書くための言語であるHTMLは、タグ形式で表現されるマークアップ言語の一種です。よって、XML形式を読み解くためのXMLというパッケージを利用すれば、タグの中身を引き出せます。XMLパッケージは、デフォルトではインストールされていないので、CRANからダウンロードしましょう。
install.packages("XML") library(XML)
readHTMLTable関数
XMLパッケージをロードしたら、readHTMLTable関数が使えます。この関数は、urlで指定した先のHTMLを読み込んで、tableオブジェクトを検索します。使い方に１つだけがポイントがあって、検索したtableオブジェクトの中身にアクセスするために、読んだオブジェクトの２つ下の階層のリストを見ます。そのため読み込んだリストに大括弧を２つ使っています。
url <- "http://www.webpage-address/index.html" tableList <- readHTMLTable(url) #要素へのアクセス tableElement <- tableList[[1]][1,1]
